Jul, 2018

基于子带处理和深度学习的宽带时域数字反传播

PDF
TL;DR提出了一种低复杂度的分频数字信号处理架构，用简单的延迟元件来补偿行走效应，针对 96G 波特率信号和 2500 公里光传输距离，采用该方法相比于线性均衡可实现 2.8 分贝的信噪比提高。
sub-banded dsp architecturedigital backpropagationdelay elementssnr improvementoptical link
发现论文，激发创造
  • 基于深度学习色散滤波器的时间域数字反向传播 ASIC 实现

    采用机器学习技术联合优化和量化色散滤波器的时域数字背景补偿方法，相比基础实现，在 28 纳米 CMOS 上实现了改善的 BER 性能和 > 40% 的功耗降低。

    Jun, 2018

  • 利用学习的数字背向传播进行色散管理系统中的均衡化

    本文研究使用学习的数字背向传播（LDBP）来均衡分散管理（DM）链路中的双极化光纤传输，评估在 256 Gbit/s 每个通道的比特率下，采用频域实现的 LDBP 和 DBP 相对于线性均衡具有更高的信噪比增益。

    May, 2023

  • 利用深度神经网络进行非线性干扰抑制

    该研究提出了一种基于神经网络的方法来实现数字反向传播，针对 32x100 公里的光纤链路，所得到的 “学习” 数字反向传播相对于传统实现方法大大降低了复杂性。

    Oct, 2017

  • 双极化色散管理系统的学习式数字背向传播

    该论文提出了数字反向传播（DBP）和学习 DBP（LDBP）用于减轻 WDM 双偏振色散管理系统中的非线性失真。LDBP 相较于线性均衡和一种适用于 DM 系统的 DBP 变种，分别实现了 Q 因子提高 1.8 dB 和 1.2 dB。

    May, 2022

  • 实时全频段语音增强的混合 DSP / 深度学习方法

    本研究提出了一种基于深度学习和数字信号处理混合的方法来实现噪声抑制，该方法使用了四层隐含层的深度神经网络来估计关键频带增益，并采用传统的基音滤波器抑制谐波之间的噪声，相比于传统的最小均方误差谱估计，该方法获得了显著更高的质量，在复杂度低到足以实现 48kHz 实时处理的低功耗处理器上。

    Sep, 2017

  • 112Gbit/s 无源光网络严重非线性畸变的全盲神经网络均衡

    我们展示并评估了一种针对 100G 无源光网络的全盲数字信号处理链路，并分析了基于神经网络的低硬件复杂度的不同均衡器拓扑结构。

    Jan, 2024

  • 基于超低复杂度的长短期记忆网络用于相干光通信系统中的光纤非线性抑制

    本文提出了一种中心定向长短记忆网络（Co-LSTM）结合简化模式和回收机制的方法，以实现在具有超低复杂度的相干光通信系统中减轻纤维非线性。

    Aug, 2021

  • 实时小波算法优化提高语音可懂度

    使用离散小波变换分频，不同的增益被应用到分频信号中以提高语音可懂度，可用于实时语音处理和比之前算法要简单得多

    Feb, 2022

  • 基于物理的深度学习在光纤通信系统中的应用

    我们提出一种基于物理的机器学习模型来处理光纤通信中的非线性斯格明子方程，这个模型可以用于数字反传播（DBP），可以有效地逆转非线性方程，而且使用可训练的过滤器可以极大地降低其复杂性。

    Oct, 2020

  • 利用反向传播识别非线性射频系统

    该研究使用深度展开的方法将级联的非线性射频系统视为基于模型的神经网络，通过这种方法提高了消除自干扰的效率并减少了模型参数和每个样本的运算数量。

    Jan, 2020